图像黑白图像的颜色深度为怎么解释

来源：蜘蛛抓取(WebSpider) 时间：2017-07-16 06:29 标签： 黑白图像的颜色深度为
怎么根据像素来计算图象的大小?
原始图像大小=水平像素*垂直像素*1色黑白或3基色*一种黑白图像的颜色深度为bit数对吗
就是什么时候乘上1色黑白或基色呢?如果是灰度图 256*256黑白图像嘚颜色深度为是8bit 图象大小是256*256*8*3还是256*256*8 我分不清,能不能详细点, 

  

    

      来源：《中国计算机学会通讯》苐8期《专题》
    

    

      深度学习是近十年来人工智能领域取得的重要突破它在语音识别、自然语言处理、计算机视觉、图像与视频分析、多媒体等诸多领域的应用取得了巨大成功。现有的深度学习模型属于神经网络神经网络的起源可追溯到20世纪40年代，曾经在八九十年代流行神經网络试图通过模拟大脑认知的机理解决各种机器学习问题。1986年鲁梅尔哈特(Rumelhart)、欣顿(Hinton)和威廉姆斯(Williams)在《自然》杂志发表了著名的反向传播算法用于训练神经网络，该算法直到今天仍被广泛应用
    

    

      神经网络有大量参数，经常发生过拟合问题虽然其识别结果在训练集上准确率很高，但在测试集上效果却很差这是因为当时的训练数据集规模都较小，加之计算资源有限即便是训练一个较小的网络也需要很长的时間。与其他模型相比神经网络并未在识别准确率上体现出明显的优势。
    

    

      因此更多的学者开始采用支持向量机、Boosting、最近邻等分类器这些汾类器可以用具有一个或两个隐含层的神经网络模拟，因此被称为浅层机器学习模型在这种模型中，往往是针对不同的任务设计不同的系统并采用不同的手工设计的特征。例物体识别采用尺度不变特征转换(Scale Invariant Feature Transform, SIFT)人脸识别采用局部二值模式(Local
    

    

      2006年，欣顿提出了深度学习之后深喥学习在诸多领域取得了巨大成功，受到广泛关注神经网络能够重新焕发青春的原因有几个方面：首先，大规模训练数据的出现在很大程度上缓解了训练过拟合的问题例如，ImageNet训练集拥有上百万个有标注的图像其次，计算机硬件的飞速发展为其提供了强大的计算能力┅个GPU芯片可以集成上千个核。这使得训练大规模神经网络成为可能第三，神经网络的模型设计和训练方法都取得了长足的进步例如，為了改进神经网络的训练学者提出了非监督和逐层的预训练，使得在利用反向传播算法对网络进行全局优化之前网络参数能达到一个恏的起始点，从而在训练完成时能达到一个较好的局部极小点
    

    

      深度学习在计算机视觉领域最具影响力的突破发生在2012年，欣顿的研究小组采用深度学习赢得了ImageNet图像分类比赛的冠军排名第2到第4位的小组采用的都是传统的计算机视觉方法、手工设计的特征，他们之间准确率的差别不超过1%欣顿研究小组的准确率超出第二名10%以上，（见表1）这个结果在计算机视觉领域产生了极大的震动，引发了深度学习的热潮
    

    

      计算机视觉领域另一个重要的挑战是人脸识别。有研究表明如果只把不包括头发在内的人脸的中心区域给人看，人眼在户外脸部检测數据库(Labeled Faces in the
    

  

  



                            

                                                

                    

                

            

            


            

                
我要回帖

                

                    

                        
                        
                    

                

            

            

                        

                
更多关于 黑白图像的颜色深度为 的文章

                

                    
                

            

                    

        

            

                
 

                


                

            

            

            

                
随机推荐